Zu Beginn werden die Grundlagen eines Data Warehouses erläutert, wichtige Begriffe in dieser Thematik definiert und die historischen Hintergründe erklärt. Kapitel 2 befasst sich mit der Architektur eines Data Warehouses und die einzelnen Schichten werden grob beschrieben. Im Anschluss folgt die Darstellung einer Umsetzungsmöglichkeit eines Data Warehouses an Hand der TUI Deutschland GmbH. Zum Abschluss werden Vor- und Nachteile des Einsatzes eines Data Warehouse-Systems kritisch bewertet und ein zusammenfassendes Fazit gezogen.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Vorgehensweise
2 Grundlagen des Data Warehouse-Konzepts
2.1 Entwicklung des Begriffs Data Warehouse
2.2 Begriffsdefinition Data Warehouse
2.3 Abgrenzung operativer und analyseorientierter Informationssysteme
2.4 Architektur eines Data Warehouses
2.4.1 Darstellung der Architektur
2.4.2 Schicht 1: Operative Applikationen
2.4.3 Schicht 2: ETL-Prozess
2.4.4 Schicht 3: Data Warehouse
2.4.5 Schicht 4: Data Marts
2.4.6 Schicht 5: Analytisch-dispositive Applikationen
3 Praxisbeispiel der TUI Deutschland GmbH
3.1 Einführung und Aufbau eines Data Warehouse-Konzepts
3.2 Erfolgsfaktoren bei der Einführung eines Data Warehouses
4 Abschluss
4.1 Kritische Würdigung
4.2 Fazit
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, einen umfassenden Überblick über das Data Warehouse-Konzept zu geben und dessen praktische Anwendung sowie Erfolgsfaktoren anhand der TUI Deutschland GmbH aufzuzeigen.
- Grundlagen und Definition von Data Warehouse-Systemen
- Architekturmodelle und die fünf Schichten eines Data Warehouses
- Methodik zur Implementierung und ETL-Prozesse
- Praxisnahe Fallstudie zur TUI Deutschland GmbH
- Erfolgsfaktoren und kritische Würdigung des Data Warehouse-Einsatzes
Auszug aus dem Buch
2.4.2 Schicht 1: Operative Applikationen
Datenquellen für das Data Warehouse sind neben operativen Applikationen, ausgewählte externe Informationsquellen. Mögliche Beispiele für operative Applikationen sind ERP- und CRM-Systeme. Dabei dienen ERP-Systeme der Ressourcenplanung der Unternehmen. Der gesamte Kundenbeziehungsmanagementprozess kann mit Hilfe des CRM-Systems gestaltet und dargestellt werden.
Oftmals werden operative Datenquellen auch als Online Transactional Processing Systeme (OLTP) bezeichnet und innerhalb des Data Warehouse-Systems zu Analysezwecken benötigt. Die Daten innerhalb der OLTP-Systeme „leben“ im Alltagsgeschäft. Zur Analyse stehen keine freien Ressourcen zur Verfügung, daher ist eine analytische Nutzung dieser operativen Systeme direkt nicht möglich. Zudem sind die Daten nur für einen eingeschränkten Zeitraum verfügbar. Ältere Daten werden nicht archiviert, sondern gelöscht. Eine langfristige Betrachtung über einen vergangenen Zeitraum ist demnach innerhalb von operativen Systemen nicht möglich. Abgesehen davon werden für Auswertungen zur Entscheidungsunterstützung Daten aus mehreren Applikationen, also verschiedenen Datenquellen benötigt. Aus diesen Gründen ist eine Zusammenführung in eine zentrale Datenbank unabdingbar.
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel erläutert die Problemstellung dezentraler Datenhaltung und definiert das Ziel sowie die Vorgehensweise der Arbeit.
2 Grundlagen des Data Warehouse-Konzepts: Hier werden die historische Entwicklung, die Begriffsdefinition sowie die Architektur eines Data Warehouses inklusive seiner fünf Schichten detailliert beschrieben.
3 Praxisbeispiel der TUI Deutschland GmbH: Dieses Kapitel veranschaulicht die praktische Einführung und den Aufbau eines Data Warehouse-Systems bei der TUI Deutschland GmbH sowie die dabei relevanten Erfolgsfaktoren.
4 Abschluss: Hier erfolgt eine kritische Würdigung des Data Warehouse-Einsatzes sowie ein zusammenfassendes Fazit zur Bedeutung und Rentabilität solcher Systeme.
Schlüsselwörter
Data Warehouse, Business Intelligence, ETL-Prozess, operative Systeme, OLTP, Data Marts, OLAP, Data Mining, Entscheidungsunterstützung, TUI Deutschland GmbH, Wissensmanagement, Metadaten, IT-Infrastruktur, Datenintegration, Kennzahlen.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Konzeption und Implementierung von Data Warehouse-Systemen, die dazu dienen, heterogene Datenbestände zu einem zentralen, analytisch nutzbaren Pool zusammenzuführen.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die Architektur von Data Warehouses, der ETL-Prozess, die Abgrenzung zu operativen Systemen sowie die methodischen Schritte bei der Einführung eines solchen Systems.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, einen theoretischen Überblick zum Data Warehouse-Konzept zu vermitteln und diesen durch ein praktisches Fallbeispiel (TUI Deutschland GmbH) zu untermauern, um Erfolgsfaktoren für die Implementierung abzuleiten.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine theoretische Ausarbeitung, die durch eine Fallstudie ergänzt wird, in der reale Unternehmensprozesse der TUI Deutschland GmbH analysiert und auf die theoretischen Grundlagen bezogen werden.
Was wird im Hauptteil behandelt?
Der Hauptteil umfasst die detaillierte Beschreibung der fünf Schichten der Data Warehouse-Architektur (von operativen Applikationen bis hin zu analytischen Applikationen) sowie die konkrete Darstellung des TUI-Projekts "TUFIS".
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird durch Begriffe wie Data Warehouse, Business Intelligence, ETL-Prozess, Datenintegration und Entscheidungsunterstützung charakterisiert.
Warum war das Projekt "TUFIS" für TUI Deutschland notwendig?
Aufgrund von uneinheitlichen Datenbeständen und einem hohen manuellen Aufwand bei der Zusammenführung von Berichten aus verschiedenen Abteilungen war ein zentrales System zur Vereinheitlichung und wertvollen Aufbereitung der Daten erforderlich.
Welche Rolle spielen die "Data Marts" in der Architektur?
Data Marts dienen als abteilungs- oder aufgabenspezifische Ausschnitte der zentralen Datensammlung, um Datenbestände besser händelbar zu machen und Analysen performanter durchzuführen.
Warum ist das Data Mining im Vergleich zu OLAP rechenintensiver?
Data Mining sucht aktiv nach Mustern und Abhängigkeiten in Daten, während OLAP primär der multidimensionalen, flexiblen Abfrage bestehender Datenstrukturen dient.
Was ist ein wesentlicher Erfolgsfaktor bei der Einführung laut der Arbeit?
Neben der vollen Unterstützung durch die Geschäftsführung und einem ausreichenden Budget ist insbesondere die kontinuierliche Einbeziehung der Mitarbeiter und die Schaffung einheitlicher Begriffe entscheidend für die Akzeptanz.
- Quote paper
- Anke Tee (Author), 2012, Das Data Warehouse-Konzept der TUI Deutschland GmbH im Projekt „TUFIS“, Munich, GRIN Verlag, https://www.grin.com/document/313728
